arXiv cs.AI· Kyungkeon Chung, Se Un Park, Hyejin Lee, Junyoung Park·· 3 天前AI 评分22
ARMED：自适应检索增强的药物推荐框架
ARMED: Adaptive Retrieval-Augmented Medication Recommendation
AI 导读
ARMED 是一个自适应临床 RAG 框架，可根据检索充分性和当次就诊相关性动态扩展检索，在证据不足时选择性执行补充或回退多查询检索。该框架引入相关性门控，仅激活临床相关的同一患者病史，并将证据组织为结构化的查询级临床证据。在 MIMIC-IV 上的实验表明，ARMED 持续优于此前的静态检索基线，并提升药物推荐质量；它结合本地可运行的小语言模型，无需依赖外部语言模型 API 或任务特定微调。
正文 · AI 翻译
摘要：用药推荐需要综合考量诊断、合并症、患者纵向病史以及治疗交互。尽管近期使用语言模型的检索增强生成方法在临床推荐中展现出前景，但大多数现有系统依赖固定的检索流程，无法适应多样化的临床检索场景，并可能引入噪声或无关证据。我们提出 ARMED，一种自适应临床 RAG 框架，可根据检索充分性和当前就诊相关性动态扩展检索。ARMED 首先观察初始检索结果，并在需要额外证据时选择性地执行补充或回退的多查询检索。该框架还包含一个相关性门控，仅激活临床上相关的同一患者病史，并将检索到的证据组织为结构化的查询级临床证据。在 MIMIC-IV 上的实验表明，ARMED 持续优于先前的静态检索基线，并提升了整体用药推荐质量。通过将可在本地运行的小型语言模型与自适应检索相结合，ARMED 支持用药推荐，而无需依赖外部语言模型 API 或特定任务的微调。
| 评论： | 已被 ICTAI 2026 接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算与语言（cs.CL）；信息检索（cs.IR） |
| 引用为： | arXiv:2610.16440 [cs.LG] |
| （或 arXiv:2610.16440v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16440 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Se Un Park [查看电子邮件]
[v1]
2026年10月12日星期一 09:07:30 UTC（325 KB）
来源：arXiv cs.AI · arxiv.org